CN116163943A - 一种运行状态实时监测的压缩机 - Google Patents

Abstract

本发明公开了一种运行状态实时监测的压缩机，涉及压缩机技术领域，解决了现有技术难以及时准确识别出压缩机的故障，影响故障排除的技术问题；本发明通过与数据采集模块连接的数据传感器采集压缩机本体的运行状态数据，根据运行状态数据判断压缩机本体是否故障；本发明在基于运行状态数据判断故障时，通过单一类型数据或者多类型数据联合判定，提高了压缩机本体故障判断的准确性；本发明在压缩机本体出现故障后，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列，进而获取故障验证标签以确定故障类型；本发明基于人工智能模型识别压缩机本体故障前后各运行状态数据的特征变化，能够及时准确地确定压缩机本体的故障类型。

Description

一种运行状态实时监测的压缩机

技术领域

本发明属于压缩机领域，涉及压缩机运行状态的实时监测技术，具体是一种运行状态实时监测的压缩机。

背景技术

压缩机是一种将低压气体提升为高压气体的流动机械，从吸气管吸入低温低压的制冷剂气体，通过电机运转带动活塞对其进行压缩后，向排气管排出高温高压的制冷剂气体。因此，压缩机运行故障的及时监测和排除非常重要。

由于结构复杂以及使用频繁，压缩机的故障率较高。在压缩机的运行监测中，一般是采集压缩机的温度、振动等外在表现数据，与对应的标准阈值进行比较来确定异常数据，进而根据异常数据来确定故障类型。现有技术在压缩机运行状态监测过程中，多个外在表现数据异常时，则难以及时识别出压缩机出现的具体故障，影响故障排除；因此，亟须一种运行状态实时监测的压缩机。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种运行状态实时监测的压缩机，用于解决现有技术在参考数据繁多的情况下，难以及时准确识别出压缩机的故障，影响故障排除的技术问题。

为实现上述目的，本发明的第一方面提供了一种运行状态实时监测的压缩机，包括压缩机本体，以及与之相连接的数据采集模块，且数据采集模块与中枢控制模块相连接；

中枢控制模块通过与数据采集模块连接的数据传感器采集压缩机本体的运行状态数据，根据运行状态数据判断压缩机本体是否故障；其中，数据传感器设置在压缩机本体上，包括噪声传感器、振动传感器和压力传感器；以及

在压缩机本体出现故障后，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列；基于故障验证模型识别分析故障验证序列，获取故障验证标签后确定故障类型；其中，故障验证模型基于人工智能模型构建。

优选的，所述中枢控制模块分别与数据采集模块和智能终端通信和/或电气连接；其中，智能终端包括手机或者电脑，与工作人员进行关联；

所述数据采集模块与数据传感器通信和/或电气连接；且所述数据传感器设置在压缩机本体上，用于在压缩机本体运行过程中采集运行状态数据。

优选的，所述根据运行状态数据判断压缩机本体是否故障，包括：

获取运行状态数据；其中，运行状态数据包括振动数据、噪声数据和压缩比；

将振动数据、噪声数据和压缩比分别与对应标准阈值进行比较；当比较结果均符合要求时，则判断压缩机本体运行正常；否，则判断压缩机本体运行故障。

优选的，所述当比较结果均符合要求时，对振动数据、噪声数据和压缩比进一步分析判断压缩机本体是否故障，包括：

将振动数据、噪声数据和压缩比与对应标准阈值的绝对差值分别标记为DC、SC和YSC；其中，标准阈值根据经验或者实验室模拟获取；

通过公式GPX＝α×DC×SC×exp(YSC)计算故障评估系数GPX；当故障评估系数GPX大于故障评估阈值时，则判断压缩机本体故障；其中，α为大于0的比例系数，exp()为指数函数，故障评估阈值根据经验设定。

优选的，所述提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列，包括：

根据对状态运行数据的实时比较结果确定故障时刻；

提取故障时刻前后若干设定周期的状态运行数据，将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列；其中，设定周期根据经验设定。

优选的，所述将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列，包括：

获取若干设定周期的状态运行数据；计算状态运行数据中各振动数据、噪声数据和压缩比与对应标准阈值的绝对差值；

将绝对差值按照对应设定周期的时间顺序拼接，整合获取故障验证序列。

优选的，所述将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列，包括：

获取若干设定周期的状态运行数据中各振动数据、噪声数据和压缩比与对应标准阈值的绝对差值，结合设定周期的时间结合起来，生成若干数据变化曲线；

提取若干数据变化曲线的变化特征数据，整合生成故障验证序列；其中，变化特征数据包括导数值、变化趋势或者拟合系数。

优选的，所述故障验证模型基于人工智能模型构建，包括：

根据历史经验数据或实验模拟数据获取标准训练数据；其中，标准训练数据包括与故障验证序列内容属性一致的标准输入数据，以及对应的故障验证标签；

通过标准训练数据训练构建的人工智能模型，训练完成之后标记为故障验证模型；其中，人工智能模型包括BP神经网络模型或者支持向量机模型。

与现有技术相比，本发明的有益效果是：

1.本发明通过与数据采集模块连接的数据传感器采集压缩机本体的运行状态数据，根据运行状态数据判断压缩机本体是否故障；本发明在基于运行状态数据判断故障过程中，通过单一类型数据或者多类型数据联合判定，提高了压缩机本体故障判断的准确性。

2.本发明在压缩机本体出现故障后，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列；基于故障验证模型识别获取故障验证标签后确定故障类型；本发明基于人工智能模型识别压缩机本体故障前后各运行状态数据的特征变化，能够及时准确地确定压缩机本体的故障类型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的系统原理示意图；

图2为本发明的工作步骤示意图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-图2，本发明第一方面实施例提供了一种运行状态实时监测的压缩机，包括压缩机本体，以及与之相连接的数据采集模块，且数据采集模块与中枢控制模块相连接；中枢控制模块通过与数据采集模块连接的数据传感器采集压缩机本体的运行状态数据，根据运行状态数据判断压缩机本体是否故障；以及在压缩机本体出现故障后，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列；基于故障验证模型识别分析故障验证序列，获取故障验证标签后确定故障类型。

本发明中中枢控制模块分别与数据采集模块和智能终端通信和/或电气连接；数据采集模块与数据传感器通信和/或电气连接；且数据传感器设置在压缩机本体上，用于在压缩机本体运行过程中采集运行状态数据。

压缩机本体负责制冷工作，而其运行状态的监测则需要额外设计监测系统。本发明中的中枢控制模块主要负责数据处理分析，通过数据采集模块获取相关数据，通过智能终端进行预警反馈。数据采集模块通过各种类型的数据传感器来采集数据，各种类型的数据传感器可以集成在压缩机本体上；数据传感器包括振动传感器、噪声传感器、温度传感器、压力传感器等，用于采集压缩机本体运行过程中的各种状态数据。智能终端包括手机或者电脑，与工作人员进行关联，进行必要的数据展示和预警提醒。

压缩机本体的运行监测过程中，不仅需要判断压缩机本体是否出现故障，而且需要判断压缩机本体出现的是那种类型的故障，以便工作人员及时排除故障。

在一个优选的实施例中，根据运行状态数据判断压缩机本体是否故障，包括：获取运行状态数据；将振动数据、噪声数据和压缩比分别与对应标准阈值进行比较；当比较结果均符合要求时，则判断压缩机本体运行正常；否，则判断压缩机本体运行故障。

状态监测过程中用到的运行状态数据主要包括振动数据、噪声数据和压缩比等。实时采集压缩机本体运行状态数据，将振动数据与对应的标准阈值、噪声数据与对应的标准阈值、压缩比与对应的标准阈值进行比较，当某一数据与对应标准阈值偏差较大时，则有理由判定压缩机本体的运行出现故障。当所有状态运行数据均在合理范围内时，则判定对应时刻的压缩机本体运行正常。

通过单一运行状态数据判断压缩机本体是否故障，某些情况下会由于考虑数据片面而造成误判。

在一个可选的实施例中，当比较结果均符合要求时，对振动数据、噪声数据和压缩比进一步分析判断压缩机本体是否故障，包括：将振动数据、噪声数据和压缩比与对应标准阈值的绝对差值分别标记为DC、SC和YSC；通过公式GPX＝α×DC×SC×exp(YSC)计算故障评估系数GPX；当故障评估系数GPX大于故障评估阈值时，则判断压缩机本体故障。

为了消除判断的片面性，本实施例将各类型的状态运行数据联合起来判断压缩机本体运行是否故障。具体是先分析各运行状态数据与压缩机本体故障之间的关联性，根据关联性建立拟合故障评估系数的计算公式。本实施例故障评估系数中振动数据和噪声数据与压缩机本体故障的关联性小于压缩比，即压缩比变化一个单位较振动数据或者噪声数据变化一个单位对应的压缩机本体运行故障的概率更大。当然，在另外一些优选的实施例中还可以通过其他形式的公式来计算故障评估系数。

本实施例故障评估系数计算公式中的α为大于0的比例系数，且α、故障评估阈值和标准阈值均是根据历史经验或者大量数据模拟获取的；exp()为指数函数，具体是以自然常数e为底的指数函数。

压缩机本体的结构比较负载，其在运行过程中出现的故障类型也比较多，而且很多故障的表现相差不多，难以判断出具体的故障类型。

在一个优选的实施例中，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列，包括：根据对状态运行数据的实时比较结果确定故障时刻；提取故障时刻前后若干设定周期的状态运行数据，将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列。

某瞬时时刻的运行状态数据能够判断压缩机本体发生了故障，但是现有技术很难通过瞬时异常识别出具体的故障。因此判断出压缩机发生故障之后，提取故障时刻前后若干设定周期的状态运行数据。本实施例的设定周期根据经验设定，可以是一秒、一分钟等。根据故障时刻前后的状态运行数据变化来判断具体的故障类型，能够识别出各故障细微的表现差异。

本实施例生成的故障验证序列从多种运行状态数据中提取的，能够表现各运行状态数据的单一变化特征以及与运行状态数据之间的相互变化特征。再结合具有强大非线性能力的人工智能模型，可以准确判断出故障验证序列对应的故障。

在一个可选的实施例中，将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列，包括：获取若干设定周期的状态运行数据；计算状态运行数据中各振动数据、噪声数据和压缩比与对应标准阈值的绝对差值；将绝对差值按照对应设定周期的时间顺序拼接，整合获取故障验证序列。

本实施例获取的故障验证序列中对应的特征主要是各设定周期中运行状态数据与对应标准阈值之间的差距，将这些差距整合起来生成故障验证序列。举例如下：振动数据在故障时刻前后各两个设定周期中与对应标准阈值的绝对差值分别为DC1、DC2、DC3和DC4，噪声数据在故障时刻前后各两个设定周期中与对应标准阈值的绝对差值分别为SC1、SC2、SC3和SC4，压缩比在故障时刻前后各两个设定周期中与对应标准阈值的绝对差值分别为YSC1、YSC2、YSC3和YSC4；基于上述各运行状态数据的绝对差值整合获取对应的故障验证序列为

[(DC1,DC2,DC3,DC4),(SC1,SC2,,SC3,SC4),(YSC1,YSC2,YSC3,YSC4)]。

在另外一个可选的实施例中，将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列，包括：获取若干设定周期的状态运行数据中各振动数据、噪声数据和压缩比与对应标准阈值的绝对差值，结合设定周期的时间结合起来，生成若干数据变化曲线；提取若干数据变化曲线的变化特征数据，整合生成故障验证序列。

将(DC1,DC2,DC3,DC4)、(SC1,SC2,,SC3,SC4)、(YSC1,YSC2,YSC3,YSC4)通过多项式拟合方式可以获取对应的拟合曲线，也就是获取的若干数据变化曲线。从各数据变化曲线中获取如一阶导数值等数据整合生成故障验证序列。

本实施例中的变化特征数据主要包括导数值、变化趋势或者拟合系数等。导数值尤其是一阶导数值能够描述数据变化曲线的变化动态；变化趋势主要为增大、减小等；拟合系数是在多项式拟合过程中，得到数据变化曲线中各阶变量对应的系数。在另外一些优选的实施例中，还可以提取各数据变化曲线变化趋势之间的关联特征。上述特征变化数据在整合成故障验证序列时需进行数字化处理。

本发明中的故障验证模型基于人工智能模型构建，包括：根据历史经验数据或实验模拟数据获取标准训练数据；通过标准训练数据训练构建的人工智能模型，训练完成之后标记为故障验证模型。

标准训练数据包括与故障验证序列内容属性一致的标准输入数据，以及对应的故障验证标签。标准训练数据可以从压缩机本体对应的历史运行数据提取，也可以在实验室中模拟压缩机本体的工作来提取。故障验证标签与压缩机本体的运行故障一一对应，通过故障验证标签即可确定压缩机本体的故障。

上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。

本发明的工作原理：

采集压缩机本体的运行状态数据，根据运行状态数据判断压缩机本体是否故障。在压缩机本体出现故障后，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列。基于故障验证模型识别分析故障验证序列，获取故障验证标签后确定故障类型。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.一种运行状态实时监测的压缩机，包括压缩机本体，以及与之相连接的数据采集模块，且数据采集模块与中枢控制模块相连接；其特征在于：

中枢控制模块通过与数据采集模块连接的数据传感器采集压缩机本体的运行状态数据，根据运行状态数据判断压缩机本体是否故障；其中，数据传感器设置在压缩机本体上，包括噪声传感器、振动传感器和压力传感器；以及

在压缩机本体出现故障后，提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列；基于故障验证模型识别分析故障验证序列，获取故障验证标签后确定故障类型；其中，故障验证模型基于人工智能模型构建。

2.根据权利要求1所述的一种运行状态实时监测的压缩机，其特征在于，所述中枢控制模块分别与数据采集模块和智能终端通信和/或电气连接；其中，智能终端包括手机或者电脑，与工作人员进行关联；

所述数据采集模块与数据传感器通信和/或电气连接；且所述数据传感器设置在压缩机本体上，用于在压缩机本体运行过程中采集运行状态数据。

3.根据权利要求1所述的一种运行状态实时监测的压缩机，其特征在于，所述根据运行状态数据判断压缩机本体是否故障，包括：

获取运行状态数据；其中，运行状态数据包括振动数据、噪声数据和压缩比；

将振动数据、噪声数据和压缩比分别与对应标准阈值进行比较；当比较结果均符合要求时，则判断压缩机本体运行正常；否，则判断压缩机本体运行故障。

4.根据权利要求3所述的一种运行状态实时监测的压缩机，其特征在于，所述当比较结果均符合要求时，对振动数据、噪声数据和压缩比进一步分析判断压缩机本体是否故障，包括：

将振动数据、噪声数据和压缩比与对应标准阈值的绝对差值分别标记为DC、SC和YSC；其中，标准阈值根据经验或者实验室模拟获取；

通过公式GPX＝α×DC×SC×exp(YSC)计算故障评估系数GPX；当故障评估系数GPX大于故障评估阈值时，则判断压缩机本体故障；其中，α为大于0的比例系数，exp()为指数函数，故障评估阈值根据经验设定。

5.根据权利要求1所述的一种运行状态实时监测的压缩机，其特征在于，所述提取故障时刻前后的状态运行数据，结合各自对应的标准阈值生成故障验证序列，包括：

根据对状态运行数据的实时比较结果确定故障时刻；

提取故障时刻前后若干设定周期的状态运行数据，将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列；其中，设定周期根据经验设定。

6.根据权利要求5所述的一种运行状态实时监测的压缩机，其特征在于，所述将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列，包括：

获取若干设定周期的状态运行数据；计算状态运行数据中各振动数据、噪声数据和压缩比与对应标准阈值的绝对差值；

将绝对差值按照对应设定周期的时间顺序拼接，整合获取故障验证序列。

7.根据权利要求5所述的一种运行状态实时监测的压缩机，其特征在于，所述将状态运行数据与各自对应的标准阈值比较，整合生成故障验证序列，包括：

获取若干设定周期的状态运行数据中各振动数据、噪声数据和压缩比与对应标准阈值的绝对差值，结合设定周期的时间结合起来，生成若干数据变化曲线；

提取若干数据变化曲线的变化特征数据，整合生成故障验证序列；其中，变化特征数据包括导数值、变化趋势或者拟合系数。

8.根据权利要求1所述的一种运行状态实时监测的压缩机，其特征在于，所述故障验证模型基于人工智能模型构建，包括：

根据历史经验数据或实验模拟数据获取标准训练数据；其中，标准训练数据包括与故障验证序列内容属性一致的标准输入数据，以及对应的故障验证标签；

通过标准训练数据训练构建的人工智能模型，进而获取故障验证模型。

Images